Kimi K3 ukazuje, proč už nestačí měřit modely pelikanem

Moonshot AI uvedl Kimi K3 s 2,8 bilionu parametrů a slibem open weights do 27. července 2026. Zajímavější než samotný model je ale Simonův test: jednoduchý SVG pelikán už neumí říct, zda model zvládne dnešní agentní práci.

Kimi K3 přichází jako drahý a velký model z čínské laboratoře

Simon Willison shrnuje oznámení Moonshot AI: Kimi K3 je podle firmy její nejvýkonnější model, má 2,8 bilionu parametrů a je dostupný přes web i API. Open weights release má dorazit do 27. července 2026.

Moonshot jej rámuje jako první open 3T-class model. Podle citovaných výsledků Artificial Analysis dosahuje Kimi K3 Elo 1547 v long-horizon knowledge work evaluaci, stojí 0,94 dolaru za úlohu a používá o 21 % méně výstupních tokenů než Kimi K2.6. API cena 3 dolary za milion input tokenů a 15 dolarů za milion output tokenů jej staví do jiné cenové ligy než starší Kimi K2.6.

Praktický test odhalil cenu reasoning režimu lépe než tabulka

Willison model nezkoušel jen přes benchmarky. Přes OpenRouter mu zadal svůj tradiční prompt na SVG pelikána jedoucího na kole. Výsledek stál 25 centů, protože model spotřeboval 16 658 output tokenů, z toho 13 241 reasoning tokenů.

To je přesně typ informace, kterou firemní tabulka často schová. Pro vývojáře a produktové týmy není důležité jen skóre modelu, ale také to, kolik stojí obyčejná interakce a zda model dovolí řídit reasoning effort. Kimi K3 má podle testu zatím jen úroveň max.

Pelikán už neměří to, co dnes rozhoduje o užitečnosti modelu

Willison sám píše, že jeho pelican benchmark začal jako vtip a po čase přestal korelovat s kvalitou špičkových modelů. U dnešních systémů rozhoduje hlavně tool use, práce v dlouhých konverzacích a spolehlivost agentních kroků.

Pelikán pořád funguje jako hello world. Ověří přístup k modelu, cenu, validní SVG a základní prostorové chápání. Jako žebříček schopností je už ale příliš úzký.

Adopce rozhodne až tam, kde model sahá na nástroje

U Kimi K3 bude stát za sledování open weights release, reálné náklady mimo jeden prompt a podpora nižších reasoning režimů. Ještě důležitější budou nezávislé testy tool callingu a dlouhých úloh.

Pokud model v agentních workflow selže, pěkný pelikán ho nezachrání. Pokud uspěje, bude to další důkaz, že čínské laboratoře už nesoutěží jen cenou, ale i horní hranou výkonu.

Lilithin verdikt

Pelikán je roztomilý kanárek v dole. Zazpívá, že model žije, ale o práci v továrně plné nástrojů už nerozhodne on.